CN110287894A - 一种针对超广角视频的手势识别方法及系统 - Google Patents

一种针对超广角视频的手势识别方法及系统 Download PDF

Info

Publication number
CN110287894A
CN110287894A CN201910564765.0A CN201910564765A CN110287894A CN 110287894 A CN110287894 A CN 110287894A CN 201910564765 A CN201910564765 A CN 201910564765A CN 110287894 A CN110287894 A CN 110287894A
Authority
CN
China
Prior art keywords
image
gesture
ultra
wide angle
angle video
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910564765.0A
Other languages
English (en)
Inventor
李�昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Youxiang Computing Technology Co Ltd
Original Assignee
Shenzhen Youxiang Computing Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Youxiang Computing Technology Co Ltd filed Critical Shenzhen Youxiang Computing Technology Co Ltd
Priority to CN201910564765.0A priority Critical patent/CN110287894A/zh
Publication of CN110287894A publication Critical patent/CN110287894A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/017—Gesture based interaction, e.g. based on a set of recognized hand gestures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种针对超广角视频的手势识别方法及系统，包括以下步骤，获取超广角视频的第一帧图像A1(x,y),将图像A1(x,y)从RGB空间转换成YCbCr空间；根据肤色检测对图像A1(x,y)中的手部区域进行定位，得到手部区域图像的质心坐标；将手部区域图像的质心坐标从平面坐标转换为球面坐标；获得到手部质心在球面的轨迹序列；对轨迹序列进行预处理，消除无效轨迹点，得到有效轨迹序列；对有效轨迹序列进行轨迹点补偿，得到最终轨迹点序列；根据最终轨迹点序列判断手势结果。根据肤色检测对图像中的手部区域进行定位，进而获得手部质心坐标，有效的提高了手部质心坐标的准确性与时效性，并且算法复杂度低，能够实时高效的识别超广角视频中的手势。本发明应用于计算机视觉领域。

Description

一种针对超广角视频的手势识别方法及系统
技术领域
本发明涉及图像处理、计算机视觉和虚拟现实技术领域，尤其涉及一种针对超广角视频的手势识别方法及系统。
背景技术
近年来，由于人机交互应用的需求，手势定位与识别越来越受到关注。以人手直接作为计算机输入设备，利用手势识别技术对机器进行控制，省去了中间媒体，加强了人机交互的自然性和方便性。
超广角镜头拍摄的视频图像，相比普通摄像机拍摄视频图像，具有视角大，图像信息量大的特点，因此在安防监视、智能交通、虚拟现实及增强现实等领域具有广阔的市场前景。然而超广角镜头所拍摄的视频图片存在畸变，不仅人眼观察的效果差，而且图像识别效果也差，给后续应用带来不便。
目前对超广角畸变图像的研究集中在畸变校正，对超广角图像中目标识别的研究相对较少。而手势识别是当前人机交互的研究热点，目前手势识别的研究分为基于数据手套的手势识别和基于计算机视觉的手势识别。基于数据手套的手势识别要求用户佩戴特殊的数据手套，能够实时跟踪人手运动轨迹且识别率高，但是数据手套价格昂贵，不利于推广。基于计算机视觉的手势识别对设备要求低，符合用户日常交互习惯，但与基于数据手套的手势识别相比识别率较低，实时性较差。
发明内容
针对现有技术中基于计算机视觉的手势识别识别率较低，实时性较差的问题，本发明的目的是提供一种针对超广角视频的手势识别方法及系统，具有更高的识别效率与实时性。
为了实现上述发明目的，本发明提供一种针对超广角视频的手势识别方法，其采用的技术方案是：
一种针对超广角视频的手势识别方法，包括以下步骤，
S1、获取超广角视频的第一帧图像A1(x,y),将图像A1(x,y)从RGB空间转换成YCbCr空间；
S2、根据肤色检测对图像A1(x,y)中的手部区域进行定位，得到手部区域图像的质心坐标(u1,v1)
S3、将手部区域图像的质心坐标从平面坐标(u1,v1)转换为球面坐标(x1,y1,z1)；
S4、对超广角视频的每一帧{Ai|i＝1,L,M}图像进行步骤S1、S2、S3，获得到手部质心在球面的轨迹序列{(xi,yi,zi)|i＝1,L,M}；
S5、对轨迹序列{(xi,yi,zi)|i＝1,L,M}进行预处理，消除无效轨迹点，得到有效轨迹序列{(x1i,y1i,z1i)|i＝1,L,M1}；
S6、对有效轨迹序列{(x1i,y1i,z1i)|i＝1,L,M1}进行轨迹点补偿以保证轨迹点均匀分布，得到最终轨迹点序列{(x2i,y2i,z2i)|i＝1,L,M2}；
S7、根据最终轨迹点序列{(x2i,y2i,z2i)|i＝1,L,M2}判断手势结果。
作为上述技术方案的进一步改进，步骤S2具体包括：
S21、对图像A1(x,y)的Cb分量与Cr分量进行非线性变换：
式中，Mb是Cb分量的平均值，Mr是Cr分量的平均值，α、β是加权参数；
S22、对进行非线性变换后的图像A1(x,y)进行肤色检测，获取手部区域的初步二值化图像B1(x,y)；
S23、对图像B1(x,y)进行修复处理，以消除图像B1(x,y)中的孔洞与噪声，进而得到图像B1″(x,y)，即手部区域图像；
S24、求取手部区域图像B1″(x,y)的质心坐标(u1,v1):
式中，N是二值图B1″(x,y)中候选手部区域的所有白色像素点的总个数，x′和y′分别是二值图B1″(x,y)中候选手部区域中每一个白色像素点的横纵坐标。
作为上述技术方案的进一步改进，步骤S22的具体过程为：
以圆形模型进行肤色分割，图像A1(x,y)中的任意一点的Cb2分量与Cr2分量若是满足(Cb2-1.5)2+(Cr2-2.2)2≤152，则将该点的像素点记为1，否则记为0，最终得到手部区域的初步二值化图像B1(x,y)。
作为上述技术方案的进一步改进，步骤S23的具体过程为：
S231、对图像B1(x,y)进行膨胀处理后再进行腐蚀处理，得到图像B1′(x,y)；
S232、删除图像B1′(x,y)中面积小于3000像素点的连通区域，得到图像B1″(x,y)，即手部区域图像。
作为上述技术方案的进一步改进，步骤S5的具体过程为：
计算轨迹序列{(xi,yi,zi)|i＝1,L,M}中每相邻两个轨迹点之间的欧氏距离，若连续3个点之间的欧氏距离均小于阈值δ，则认为这3个点无效，否则有效，删除轨迹序列{(xi,yi,zi)|i＝1,L,M}中无效的轨迹点，最终得到有效轨迹序列{(x1i,y1i,z1i)|i＝1,L,M1}。
作为上述技术方案的进一步改进，步骤S6的具体过程为：
根据有效轨迹序列{(x1i,y1i,z1i)|i＝1,L,M1}中相邻的两个轨迹点之间的欧氏距离求取这两个轨迹点之间补偿点的个数：
式中，dt表示相邻两点之间的欧式距离，dn表示补偿点的个数，μ表示阀值。
作为上述技术方案的进一步改进，步骤S7具体包括：
S71、将最终轨迹点序列{(x2i,y2i,z2i)|i＝1,L,M2}平均分为4份，计算第1份轨迹点的均值(m1_x,m1_y,m1_z)与第4份轨迹点的均值(m4_x,m4_y,m4_z)；
S72、计算手势的三维信息label3：
式中，dz＝m4_z-m1_z，η表示阀值，label3＝0表示手势不动，label3＝1表示手势向后，label3＝2表示手势向前。
作为上述技术方案的进一步改进，所述步骤S7还包括：
S73、计算手势的三维信息label2：
式中，η表示阀值，label2＝0表示手势不动，label2＝1表示手势向上，label2＝2表示手势向下，label2＝3表示手势向右，label2＝4表示手势向左。
为了实现上述发明目的，本发明提供一种针对超广角视频的手势识别系统，其采用的技术方案是：
一种针对超广角视频的手势识别系统，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明的有益技术效果：
本发明提出的针对超广角视频的手势识别方法，根据肤色检测对图像中的手部区域进行定位，进而获得手部质心坐标，有效的提高了手部质心坐标的准确性与时效性，并且算法复杂度低，能够实时高效的识别超广角视频中的手势，可应用于增强现实领域，有效的实现人与虚拟环境的交互。
附图说明
图1是本实施例的原理流程示意图。
具体实施方式
为了使本公开的目的、技术方案和优点更加清楚明白，下结合具体实施例，并根据附图，对本发明进一步详细说明。需要说明的是，在附图或说明书描述中，未描述的内容以及部分英文简写为所属技术领域中普通技术人员所熟知的内容。本实施例中给定的一些特定参数仅作为示范，在不同的实时方式中该值可以相应地改变为合适的值。
如图1所示的一种针对超广角视频的手势识别方法，首先根据肤色检测，分割出视频图像中的手部区域，并利用数学形态学的方法消除噪声，获得手部区域的质心坐标，然后根据超广角镜头的成像原理计算出该点相对镜头的三维位置，接着提取手势轨迹，并进行预处理，消除无效轨迹点，最后根据有效轨迹序列识别手势，包括以下步骤：
S1、获取超广角视频的第一帧图像A1(x,y),将图像A1(x,y)从RGB空间转换成YCbCr空间，转换过程为：
式中，R为RGB空间的R分量，G为RGB空间的G分量，B为RGB空间的B分量，Y为YCbCr空间的R分量，Cb为YCbCr空间的Cb分量，Cr为YCbCr空间的Cr分量。
RGB(红绿蓝)是依据人眼识别的颜色定义出的空间，可表示大部分颜色，但是RGB空间将色调，亮度，饱和度三个量放在一起表示，难以进行数字化的调整，因此先将视频图像从RGB空间转换成YCbCr空间，随后进行后续的肤色检测。
S2、根据肤色检测对图像A1(x,y)中的手部区域进行定位，得到手部区域图像的质心坐标(u1,v1)，具体包括以下步骤：
S21、对图像A1(x,y)的Cb分量与Cr分量进行非线性变换：
式中，Mb是Cb分量的平均值，Mr是Cr分量的平均值，α、β是加权参数，取值范围是(0,1)；
S22、对进行非线性变换后的图像A1(x,y)进行肤色检测，获取手部区域的初步二值化图像B1(x,y)。
以圆形模型进行肤色分割，图像A1(x,y)中的任意一点的Cb2分量与Cr2分量若是满足(Cb2-1.5)2+(Cr2-2.2)2≤152，则将该点的像素点记为1，否则记为0，最终得到手部区域的初步二值化图像B1(x,y)。
S23、对图像B1(x,y)进行修复处理，以消除图像B1(x,y)中的孔洞与噪声，进而得到图像B1″(x,y)，即手部区域图像。
由于初步二值化图像B1(x,y)存在很多类似肤色的信息，导致二值图像中前景区域存在孔洞，同时背景区域会存在一些噪声。针对初步二值化图像B1(x,y)中前景区域产生的孔洞以及背景区域存在孤立噪声的现象，需对二值图像进行数学形态学处理：采用半径为3的圆形结构元素，首先对图像进行膨胀处理，再进行腐蚀处理，以此填充前景区域孔洞，消除背景区域的噪声，平滑图像边界，且不明显改变目标区域面积，进而得到二值图像B1′(x,y)。最后删除二值图像图像B1′(x,y)中面积小于3000像素点的连通区域，得到图像B1″(x,y)，即手部区域图像。
S24、求取手部区域图像B1″(x,y)的质心坐标(u1,v1):
式中，N是二值图B1″(x,y)中候选手部区域的所有白色像素点的总个数，x′和y′分别是二值图B1″(x,y)中候选手部区域中每一个白色像素点的横纵坐标。
S3、将手部区域图像的质心坐标从平面坐标(u1,v1)转换为球面坐标(x1,y1,z1):采用常规的广角镜头投影模型，也即等距投影模型对成像进行建模，即能得到手部区域的质心坐标(u1,v1)在球面的坐标，记为(x1,y1,z1)。
S4、对超广角视频的每一帧{Ai|i＝1,L,M}图像进行步骤S1、S2、S3，获得到手部质心在球面的轨迹序列{(xi,yi,zi)|i＝1,L,M}。
S5、对轨迹序列{(xi,yi,zi)|i＝1,L,M}进行预处理，消除无效轨迹点，得到有效轨迹序列{(x1i,y1i,z1i)|i＝1,L,M1}：
计算轨迹序列{(xi,yi,zi)|i＝1,L,M}中每相邻两个轨迹点之间的欧氏距离，若连续3个点之间的欧氏距离均小于阈值δ＝10，则认为这3个点无效，否则有效，删除轨迹序列{(xi,yi,zi)|i＝1,L,M}中无效的轨迹点，最终得到有效轨迹序列{(x1i,y1i,z1i)|i＝1,L,M1}。
S6、对有效轨迹序列{(x1i,y1i,z1i)|i＝1,L,M1}进行轨迹点补偿以保证轨迹点均匀分布，得到最终轨迹点序列{(x2i,y2i,z2i)|i＝1,L,M2}；根据有效轨迹序列{(x1i,y1i,z1i)|i＝1,L,M1}中相邻的两个轨迹点之间的欧氏距离求取这两个轨迹点之间补偿点的个数：
式中，dt表示相邻两点之间的欧式距离，dn表示补偿点的个数，μ＝20表示阀值。
以相邻两点{D1(x1n,y1n,z1n),D2(x1n+1,y1n+1,z1n+1)}为例，计算这两点的欧式距离dt0，然后和与阈值μ比较，得到补偿点的个数dn0：
然后根据补偿个数对相邻两点之间进行补偿，如果补偿个数为1，则两点之间补偿一个新的轨迹点nD1，该轨迹点取初始两个轨迹点的中点，也即nD1＝D1+dt0/2；如果需要补偿2个点{nD1,nD1′}，则
最终获得最终轨迹点序列{(x2i,y2i,z2i)|i＝1,L,M2}。
S7、根据最终轨迹点序列{(x2i,y2i,z2i)|i＝1,L,M2}判断手势结果，首先建立手势集合模型，即二维平面上有5种手势：向上，向下、向左，向右、不动；三维平面上有3种手势：向前、不动、向后，所以一共5×3＝15种手势，随后进行手势结果判断：
S71、将最终轨迹点序列{(x2i,y2i,z2i)|i＝1,L,M2}平均分为4份，计算第1份轨迹点的均值(m1_x,m1_y,m1_z)与第4份轨迹点的均值(m4_x,m4_y,m4_z)，过这两个均值来计算手势的运行信息，可以有效的减少误差；
S72、计算手势的三维信息label3：
式中，dz＝m4_z-m1_z，η＝5表示阀值，label3＝0表示手势不动，label3＝1表示手势向后，label3＝2表示手势向前。
S73、计算手势的三维信息label2：
式中，η表示阀值，label2＝0表示手势不动，label2＝1表示手势向上，label2＝2表示手势向下，label2＝3表示手势向右，label2＝4表示手势向左。
本实施例还公开了一种针对超广角视频的手势识别系统，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实上述方法的步骤。以上包含了本发明优选实施例的说明，这是为了详细说明本发明的技术特征，并不是想要将发明内容限制在实施例所描述的具体形式中，依据本发明内容主旨进行的其他修改和变型也受本专利保护。本发明内容的主旨是由权利要求书所界定，而非由实施例的具体描述所界定。

Claims (9)

1.一种针对超广角视频的手势识别方法，其特征在于，包括以下步骤，
S1、获取超广角视频的第一帧图像A1(x,y),将图像A1(x,y)从RGB空间转换成YCbCr空间；
S2、根据肤色检测对图像A1(x,y)中的手部区域进行定位，得到手部区域图像的质心坐标(u1,v1)；
S3、将手部区域图像的质心坐标从平面坐标(u1,v1)转换为球面坐标(x1,y1,z1)；
S4、对超广角视频的每一帧{Ai|i＝1,L,M}图像进行步骤S1、S2、S3，获得到手部质心在球面的轨迹序列{(xi,yi,zi)|i＝1,L,M}；
S5、对轨迹序列{(xi,yi,zi)|i＝1,L,M}进行预处理，消除无效轨迹点，得到有效轨迹序列{(x1i,y1i,z1i)|i＝1,L,M1}；
S6、对有效轨迹序列{(x1i,y1i,z1i)|i＝1,L,M1}进行轨迹点补偿以保证轨迹点均匀分布，得到最终轨迹点序列{(x2i,y2i,z2i)|i＝1,L,M2}；
S7、根据最终轨迹点序列{(x2i,y2i,z2i)|i＝1,L,M2}判断手势结果。
2.根据权利1所述针对超广角视频的手势识别方法，其特征在于，步骤S2具体包括：
S21、对图像A1(x,y)的Cb分量与Cr分量进行非线性变换：
式中，Mb是Cb分量的平均值，Mr是Cr分量的平均值，α、β是加权参数；
S22、对进行非线性变换后的图像A1(x,y)进行肤色检测，获取手部区域的初步二值化图像B1(x,y)；
S23、对图像B1(x,y)进行修复处理，以消除图像B1(x,y)中的孔洞与噪声，进而得到图像B1″(x,y)，即手部区域图像；
S24、求取手部区域图像B1″(x,y)的质心坐标(u1,v1):
式中，N是二值图B1″(x,y)中候选手部区域的所有白色像素点的总个数，x′和y′分别是二值图B1″(x,y)中候选手部区域中每一个白色像素点的横纵坐标。
3.根据权利2所述针对超广角视频的手势识别方法，其特征在于，步骤S22的具体过程为：
以圆形模型进行肤色分割，图像A1(x,y)中的任意一点的Cb2分量与Cr2分量若是满足(Cb2-1.5)2+(Cr2-2.2)2≤152，则将该点的像素点记为1，否则记为0，最终得到手部区域的初步二值化图像B1(x,y)。
4.根据权利2所述针对超广角视频的手势识别方法，其特征在于，步骤S23的具体过程为：
S231、对图像B1(x,y)进行膨胀处理后再进行腐蚀处理，得到图像B1′(x,y)；
S232、删除图像B1′(x,y)中面积小于3000像素点的连通区域，得到图像B1″(x,y)，即手部区域图像。
5.根据权利1所述针对超广角视频的手势识别方法，其特征在于，步骤S5的具体过程为：
计算轨迹序列{(xi,yi,zi)|i＝1,L,M}中每相邻两个轨迹点之间的欧氏距离，若连续3个点之间的欧氏距离均小于阈值δ，则认为这3个点无效，否则有效，删除轨迹序列{(xi,yi,zi)|i＝1,L,M}中无效的轨迹点，最终得到有效轨迹序列{(x1i,y1i,z1i)|i＝1,L,M1}。
6.根据权利1所述针对超广角视频的手势识别方法，其特征在于，步骤S6的具体过程为：
根据有效轨迹序列{(x1i,y1i,z1i)|i＝1,L,M1}中相邻的两个轨迹点之间的欧氏距离求取这两个轨迹点之间补偿点的个数：
式中，dt表示相邻两点之间的欧式距离，dn表示补偿点的个数，μ表示阀值。
7.根据权利1所述针对超广角视频的手势识别方法，其特征在于，步骤S7具体包括：
S71、将最终轨迹点序列{(x2i,y2i,z2i)|i＝1,L,M2}平均分为4份，计算第1份轨迹点的均值(m1_x,m1_y,m1_z)与第4份轨迹点的均值(m4_x,m4_y,m4_z)；
S72、计算手势的三维信息label3：
式中，dz＝m4_z-m1_z，η表示阀值，label3＝0表示手势不动，label3＝1表示手势向后，label3＝2表示手势向前。
8.根据权利7所述针对超广角视频的手势识别方法，其特征在于，所述步骤S7还包括：
S73、计算手势的三维信息label2：
式中，η表示阀值，label2＝0表示手势不动，label2＝1表示手势向上，label2＝2表示手势向下，label2＝3表示手势向右，label2＝4表示手势向左。
9.一种针对超广角视频的手势识别系统，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
CN201910564765.0A 2019-06-27 2019-06-27 一种针对超广角视频的手势识别方法及系统 Pending CN110287894A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910564765.0A CN110287894A (zh) 2019-06-27 2019-06-27 一种针对超广角视频的手势识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910564765.0A CN110287894A (zh) 2019-06-27 2019-06-27 一种针对超广角视频的手势识别方法及系统

Publications (1)

Publication Number Publication Date
CN110287894A true CN110287894A (zh) 2019-09-27

Family

ID=68007741

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910564765.0A Pending CN110287894A (zh) 2019-06-27 2019-06-27 一种针对超广角视频的手势识别方法及系统

Country Status (1)

Country Link
CN (1) CN110287894A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112115853A (zh) * 2020-09-17 2020-12-22 西安羚控电子科技有限公司 一种手势识别方法、装置、计算机存储介质及电子设备
CN112329646A (zh) * 2020-11-06 2021-02-05 吉林大学 一种基于手的质心坐标的手势运动方向识别方法
CN112446321A (zh) * 2020-11-24 2021-03-05 西安电子科技大学 基于帧差法的手部动作实时识别方法
CN112906563A (zh) * 2021-02-19 2021-06-04 山东英信计算机技术有限公司 一种动态手势识别方法、装置、系统及可读存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331151A (zh) * 2014-10-11 2015-02-04 中国传媒大学 基于光流法的手势运动方向识别方法
CN104680127A (zh) * 2014-12-18 2015-06-03 闻泰通讯股份有限公司 手势识别方法及系统
CN105739702A (zh) * 2016-01-29 2016-07-06 电子科技大学 用于自然人机交互的多姿态指尖跟踪方法
CN106445146A (zh) * 2016-09-28 2017-02-22 深圳市优象计算技术有限公司 用于头盔显示器的手势交互方法与装置
CN107728916A (zh) * 2017-09-20 2018-02-23 科大讯飞股份有限公司 隔空手写轨迹的显示方法及装置
CN108256421A (zh) * 2017-12-05 2018-07-06 盈盛资讯科技有限公司 一种动态手势序列实时识别方法、系统及装置
CN109214297A (zh) * 2018-08-09 2019-01-15 华南理工大学 一种结合深度信息与肤色信息的静态手势识别方法
CN109345488A (zh) * 2018-10-29 2019-02-15 湖南优象科技有限公司 一种针对手机扩角镜拍摄的超广角图像的畸变校正方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331151A (zh) * 2014-10-11 2015-02-04 中国传媒大学 基于光流法的手势运动方向识别方法
CN104680127A (zh) * 2014-12-18 2015-06-03 闻泰通讯股份有限公司 手势识别方法及系统
CN105739702A (zh) * 2016-01-29 2016-07-06 电子科技大学 用于自然人机交互的多姿态指尖跟踪方法
CN106445146A (zh) * 2016-09-28 2017-02-22 深圳市优象计算技术有限公司 用于头盔显示器的手势交互方法与装置
CN107728916A (zh) * 2017-09-20 2018-02-23 科大讯飞股份有限公司 隔空手写轨迹的显示方法及装置
CN108256421A (zh) * 2017-12-05 2018-07-06 盈盛资讯科技有限公司 一种动态手势序列实时识别方法、系统及装置
CN109214297A (zh) * 2018-08-09 2019-01-15 华南理工大学 一种结合深度信息与肤色信息的静态手势识别方法
CN109345488A (zh) * 2018-10-29 2019-02-15 湖南优象科技有限公司 一种针对手机扩角镜拍摄的超广角图像的畸变校正方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
S.S. GE 等: "Hand gesture recognition and tracking based on distributed locally linear embedding", 《IMAGE AND VISION COMPUTING》 *
柳百成: "《工程前沿 第1卷 未来的制造科学与技术》", 31 December 2004 *
范文兵 等: "一种基于肤色特征提取的手势检测识别方法", 《现代电子技术》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112115853A (zh) * 2020-09-17 2020-12-22 西安羚控电子科技有限公司 一种手势识别方法、装置、计算机存储介质及电子设备
CN112329646A (zh) * 2020-11-06 2021-02-05 吉林大学 一种基于手的质心坐标的手势运动方向识别方法
CN112446321A (zh) * 2020-11-24 2021-03-05 西安电子科技大学 基于帧差法的手部动作实时识别方法
CN112446321B (zh) * 2020-11-24 2023-04-18 西安电子科技大学 基于帧差法的手部动作实时识别方法
CN112906563A (zh) * 2021-02-19 2021-06-04 山东英信计算机技术有限公司 一种动态手势识别方法、装置、系统及可读存储介质

Similar Documents

Publication Publication Date Title
CN110287894A (zh) 一种针对超广角视频的手势识别方法及系统
CN107153816B (zh) 一种用于鲁棒人脸识别的数据增强方法
CN106055091B (zh) 一种基于深度信息和校正方式的手部姿态估计方法
WO2017084204A1 (zh) 一种二维视频流中的人体骨骼点追踪方法及系统
WO2018188535A1 (zh) 人脸图像处理方法、装置和电子设备
CN103607554A (zh) 一种基于全自动人脸无缝合成的视频合成方法
CN107168527A (zh) 基于区域卷积神经网络的第一视角手势识别与交互方法
CN109190522B (zh) 一种基于红外相机的活体检测方法
CN108197534A (zh) 一种人头部姿态检测方法、电子设备及存储介质
CN104978548A (zh) 一种基于三维主动形状模型的视线估计方法与装置
CN104850847B (zh) 具有自动瘦脸功能的图像优化系统和方法
WO2020177434A1 (zh) 图像处理方法及装置、图像设备及存储介质
CN107066969A (zh) 一种人脸识别方法
CN108682050B (zh) 基于三维模型的美颜方法和装置
JP2008102902A (ja) 視線方向の推定装置、視線方向の推定方法およびコンピュータに当該視線方向の推定方法を実行させるためのプログラム
JP2019096113A (ja) キーポイントデータに関する加工装置、方法及びプログラム
CN107564080A (zh) 一种人脸图像的替换系统
CN109086724A (zh) 一种加速的人脸检测方法及存储介质
CN109800676A (zh) 基于深度信息的手势识别方法及系统
CN109919137B (zh) 一种行人结构化特征表达方法
US20230230305A1 (en) Online streamer avatar generation method and apparatus
CN110264396A (zh) 视频人脸替换方法、系统及计算机可读存储介质
CN105069745A (zh) 基于普通图像传感器及增强现实技术的带表情变脸系统及方法
CN110032932A (zh) 一种基于视频处理和决策树设定阈值的人体姿态识别方法
CN115689869A (zh) 一种视频美妆迁移方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190927

RJ01 Rejection of invention patent application after publication